[박정현의 데이터사이언스 시작하기] ②데이터 종류 및 관련 용어
상태바
[박정현의 데이터사이언스 시작하기] ②데이터 종류 및 관련 용어
  • 입력 2020-09-21 13:14
  • 댓글 0
이 기사를 공유합니다

지난 글에서는 데이터 사이언스와 머신러닝 그리고 인공지능이란 무엇인가에 대해 간략하게 정리해 봤다. 이번 글에서는 본격적으로 데이터 사이언스 맛보기를 시작하기 전에 데이터란 무엇인지 그리고 이 분야에 관련된 용어들을 살펴보면서 데이터 사이언스 배울 준비를 해보자.

박정현 서울대 EPM 연구원
박정현 서울대 EPM 연구원

데이터 분석 파이프라인(pipeline)

그런데 우리는 왜 데이터를 분석하는 것일까? 기본적으로는 데이터 분석은 의사결정의 근거를 파악하기 위해 수행한다고 볼 수 있다. 예를 들어 제조 기업 경우 과거 판매 데이터와 경제 지표 등의 데이터를 수집해서 가공해 분석하고 미래 수요를 예측해 생산량과 원자재 구매에 대한 의사결정을 내릴 수 있을 것이다. 그리고, 이러한 분석 절차는 일회성에 그치는 것이 아니라 월별, 분기별, 연도별 심지어 준실시간(near-real time)으로 분석할 수도 있다. 제조 업체의 예시와 같이 데이터의 수집, 전처리, 분석, 예측과 같은 일련의 과정을 데이터분석 파이프라인이라 한다.

데이터, 정형(structured) 데이터와 비정형(un-structured) 데이터

데이터 사이언스 이름 자체에서 알 수 있듯이 데이터 사이언스는 데이터와 관련된 과학을 연구하는 분야이다. 그렇다면 데이터(data)란 무엇일까? 한 기관에서 발행한 통계 용어집(OECD Glossary of Statistical Terms, 2008)에 보면 데이터를 보통 수치(numeric) 형태의 관찰값(observation)이라고 정의하고 있다. 일반적으로는 꼭 수치 형식일 필요는 없을 것이며 그림, 도표 등도 모두 데이터라고 봐도 무방할 것이다.

일반적으로 데이터를 분석하기 위해서는 데이터를 분석하기 쉽도록 엑셀의 테이블과 같은 형식으로 정리하는 과정이 필요하다. 이렇게 테이블 형식으로 정리된 데이터를 정형 데이터라고 하며, 반대로 특정 형식으로 정리하기 전에 정형화된 구조를 갖고 있지 않은 데이터를 비정형 데이터라 한다.

정형 데이터는 우리가 많이 사용하는 엑셀 테이블이나 관계형 데이터베이스(RDBMS)의 테이블을 생각하면 쉽게 이해할 수 있다. 반면, 특정 구조를 갖고 있지 않은 문서들이나 사진들, 기계가 생산해 낸 로그(log) 파일, 소셜미디어에 올라오는 글과 같은 데이터가 비정형 데이터의 예시이다.

피처(feature)

엑셀 테이블을 분석할 때에는 행(column)과 열(row)을 기준으로 분석하게 된다. 데이터 사이언스 관련된 책이나 글을 보다 보면 행과 열이라는 용어도 사용하지만 피처(feature), 속성(attribute), 관찰값(observation), 샘플(sample), 변수(variable) 등과 같은 용어들을 자주 접하게 된다. 이러한 용어들을 엑셀의 테이블을 예로 들어 살펴보자.

엑셀을 분석할 때 주로 사용하는 방법 중 하나가 각 열에 필터(filter)를 적용하는 것이다. 이는 각 열이 다른 열과는 다르게 데이터 테이블의 고유한 특성을 갖고 있기에 특정 열을 기준으로 다른 값들이 어떠한 값을 갖는지 쉽게 알 수 있어 자주 사용하게 된다. 이와 같이 열 하나 하나가 데이터 테이블의 특징을 나타내므로 피처 또는 특성이라고 한다. 그리고 테이블의 속성을 나타내는 요소의 의미로 속성(attribute)이라고도 부른다. 실험 환경에서는 데이터의 열 중 결괏값에 영향을 주는 변수들을 독립변수(independent variable)라 하며, 독립변수들의 영향으로 나온 결과값을 목적변수(target variable)라고 한다. 그 밖에 엑셀에서와 같이 필드(field)라는 용어도 사용된다.

자, 이제 데이터 테이블의 가로 방향인 행을 살펴보자. 데이터 테이블은 여러 행들이 모여 하나의 테이블을 이루게 되는데 여기서 행은 데이터를 수집할 때 하나하나 수집한 값이기에 이를 관찰값(observation) 혹은 레코드(record), 인스턴스(instance)라고도 하며, 전체 데이터에서 일부 혹은 하나만 선택한 값이라는 의미로 샘플(sample)이라는 용어도 사용한다.

데이터 탐색(Exploratory data analysis, EDA)

데이터 탐색은 데이터 테이블의 기초 통곗값, 결측값, 피처들 간의 관계를 확인하고 데이터의 범위, 분포 등을 히스토그램과 같은 다양한 그래프를 통해 시각화(visualization)해서 데이터를 이해하고 분석할 방향을 설정해보는 과정이라고 할 수 있다. 이 과정에서 파악한 정보를 바탕으로 분석을 위한 데이터 전처리 과정을 거치게 된다.

데이터 전처리(preprocessing)

실제 데이터를 수집하고 분석하다 보면 우리가 일상에서 접하던 엑셀 데이터와 같이 깔끔한 테이블 형식으로 정리된 경우는 드물다. 데이터 분석에서 널리 사용되는 말 중 하나가 “Garbage in, Garbage out”으로 어떠한 데이터를 입력하느냐에 따라 찾고자 하는 값의 품질이 좌우된다. 따라서 분석에 사용하기 적당한 형태로 데이터를 준비하는 과정이 필요하며 이를 데이터 전처리라고 한다. 전처리 과정은 데이터의 빈값을 처리하거나 적절하지 않은 값을 걸러내는 클리닝(cleaning), 데이터 테이블 전체를 분석하기 어려운 경우 적절하게 샘플 데이터를 선택하는 인스턴스 선택(instance selection), 피처들의 범위를 0~1, -1~1 혹은 정규분포로 변형해 피처들 간의 영향력을 균등하게 해주거나 처리 속도를 빠르게 해주는 정규화(normalization)와 표준화(standardization) 작업 등을 일반적으로 데이터 전처리라 한다. 각 과정들은 추후 예제와 함께 좀 더 자세히 설명할 것이다.

(사진=셔터스톡)
(사진=셔터스톡)

피처 엔지니어링(feature engineering)

위에서는 데이터의 구조에 따라 정형 데이터와 비정형 데이터로 분류해 보았다. 그 밖에도 데이터 값의 형식에 따라 수치형(numeric) 데이터, 범주형(categorical) 데이터로 나눌 수 있다. 또, 수치형 데이터는 이산형(discrete)과 연속형(continous)으로 구분할 수 있으며, 범주형은 명목형(nominal)과 순서형(ordinal)으로 구분된다. 이러한 다양한 데이터를 컴퓨터가 연산하기 쉽고 찾고자 하는 목적을 잘 반영할 수 있도록 도메인 지식을 토대로 피처를 새로 만들거나 변형하는 작업이 필요하다. 데이터 전처리와 피처 엔지니어링을 어떻게 하냐에 따라 모델의 성능이 달라지기에 실제 업무에서는 이 두 가지 영역에 가장 많은 노력을 기울이게 된다.

모델링(modeling)

지금까지의 데이터 준비과정을 거처 피처와 목적변수 사이의 관계를 찾는 과정이 필요하다. 이 과정에서 문제에 적합한 다양한 알고리즘이 사용되게 되며 이러한 수학적 모델을 찾는 과정을 모델링이라 한다. 이 과정을 거쳐 나온 결과물을 모델이라 할 수 있다.

예측(prediction)

지금까지 데이터를 준비해서 모델을 만든 이유는 새로운 조건이 주어졌을 때 어떠한 결과가 나오는지를 알기 위함이다. 우리가 만든 모델에 피처에 값들을 넣어주게 되면 찾고자 하는 목적 변수의 값을 얻을 수 있으며 이 과정을 예측이라 한다.

성능평가(evaluation)

데이터 사이언스에서 풀고자 하는 문제는 크게 회귀(regression)와 분류(classification)로 구분할 수 있다. 회귀의 경우 찾고자 하는 값이 수치형으로 표시되며 실제값과 예측값의 차이로 성능을 평가할 수 있다. 이에 반해 분류형 문제는 데이터의 범주를 예측하는 문제로, 실제 분류를 얼마나 잘 했는지를 혼동행렬(confusion matrix)를 기본으로 ROC, AUC등의 지표로 평가하게 된다. 각각에 대해서는 추후 더 설명하도록 한다.

이 밖에도 책이나 실무를 통해ETL(Extract, Transform and Load), 먼징(munging), 랭글링(wrangling) 등 다양한 용어를 만나게 될 것이다. 하지만 위에서 설명한 기본적인 개념과 크게 다르지 않으며 전처리나 피처 엔지니어링 등은 겹치는 부분도 많아 명확하게 구분하기 힘든 부분도 있다. 앞으로는 위에서 설명한 과정 하나하나에 대해 조금 더 상세하게 살펴볼 것이다.

박정현 칼럼니스트는 서울대 EPM연구원(공학전문대학원 엔지니어링 프로젝트 매니지먼트(EPM) 연구실)이며, 머신러닝 스타트업을 창업한 바 있다.

[AI & 산업] AI칩, 매년 40% 성장…키워드는 메모리·딥러닝·신경망

[AI & Tech] 美 연구진, 지역별 코로나19 확산 예측하는 AI 툴 개발

 

 

박정현
박정현 park.jeonghyun@snu.ac.kr 다른기사 보기
기자 프로필
박정현
박정현 park.jeonghyun@snu.ac.kr 다른기사 보기

댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.
주요기사
유용한 리스티클
  • AI 재현 기술, 로마 황제 얼굴을 살려냈다
  • EU가 뽑은 인공지능(AI)ㆍ로봇 기술 9가지
  • 차세대 콘텐츠에 활용할 수 있는 인공지능(AI) 기술 6가지
  • "당신의 외모는 몇 점?"…AI가 평가하는 내 얼굴은?
  • 코로나19 대유행 시대, 학교가 갖춰야 할 7가지 필수품은?
  • 비대면 시대, XR(확장현실)기술 사용 국내외 건축ᆞ부동산 기업 7